具体实施方式

本发明预测浓香型白酒窖泥窖龄的方法，包括：

步骤1、对窖泥细菌微生物群落进行检测，在检测过程中，首先对窖泥样本数据进行收集，随后对收集的样本数据进行扩增子数据的处理，处理后得到OTU表格；

步骤2、通过随机森林回归在OTU表格中筛选建模变量；

步骤3、根据建模变量建立预测模型；

步骤4、通过预测模型预测窖泥窖龄。

步骤1中，所述窖泥样本数据包括窖泥样本16S rRNA数据。

所述对窖泥样本16S rRNA数据收集的具体方法包括：

步骤101、以不同窖龄的窖泥样本为待测样品，对窖泥中基因组进行提取，得到混菌基因组样本；

步骤102、对混菌基因组样本进行16S rRNA测序；

步骤103、从NCBI、DDBJ、ENA以及CNGB数据库搜集浓香型白酒窖泥细菌16S rRNA扩增子测序数据，并根据信息全面性、数据完整性进行筛选。

步骤1中，所述对收集的样本数据进行扩增子数据的处理获取OTU表格的具体方法包括：

步骤a、将未拼接的双端数据进行拼接后与无需拼接的数据进行合并，然后进行质控；

步骤b、将质控后的fasta格式数据进行有参聚类，得到初步的OTU表格，再通过SILVA数据库进行序列对应物种名称的注释添加；

步骤c、统计样本间OTU丰度差异后进行不同方式的OTU剔除，然后将丰度最低样本的OTU数量作为抽平标准进行抽平，最后按照OTU(Operational Taxonomic Units)在样本中出现频率不低于设置百分比进行筛选，得到最终的OTU表格。

步骤2中，通过随机森林回归在OTU表格中筛选建模变量的具体方法包括：

步骤201、将OTU表格中的相应数据作为测试样本，对测试样本的窖泥窖龄按年龄段进行分组；

步骤201、将分组后的测试样本按照设置比例划分为测试集与训练集；

步骤202、通过训练集对随机森林判别模型进行训练，得到初步判别模型与初步分组的错误率E1；

步骤203、通过测试集对初步判别模型进行测试优化，得到最终判别模型与最终分组的错误率E2；

步骤204、将最终分组的错误率E2与初步分组的错误率E1进行比较，若E2≤E1，则根据最终判别模型得到所有测试样本对窖泥窖龄分组贡献度，否则回到步骤201重新分组；

步骤205、按照贡献度由高到低的顺序进行排序，对排序后的样本使用十折交叉验证法，再结合简约性原则，根据交叉验证曲线，对样本OTU进行取舍，筛选出建模变量。

其中，交叉验证曲线如图2所示，横坐标为样本OTU数量，纵坐标为交叉验证错误率。

步骤3中，根据建模变量建立预测模型的具体方法包括：

步骤301、将筛选出的建模变量作为建模特征集，对建模特征集的窖泥窖龄按年龄段进行分组；

步骤302、将分组后的建模特征集按照设置比例划分为测试集与训练集；

步骤303、通过训练集对随机森林预测模型进行训练，得到初步预测模型以及初步分组的错误率E3；

步骤304、通过测试集对初步预测模型进行测试优化，得到最终预测模型与最终分组的错误率E4；

步骤305、将最终分组的错误率E4与初步分组的错误率E3进行比较，若E4≤E3，则根据最终预测模型预测窖泥窖龄，否则回到步骤301重新分组。

建模的特征菌属包括氨基杆菌属(Aminobacterium)、嗜蛋白菌属(Proteiniphilum)、产己酸菌属(Caproiciproducens)、埃希氏菌属(Escherichia)、无胆甾原体属(Acholeplasma)、芽孢杆菌属(Bacillus)、醋菌属(Oxobacter)、互营单胞菌属(Syntrophomonas)、紫单胞菌属(Petrimonas)、梭菌属(Clostridium)、喜热菌属(Caloramator)、Fastidiosipila、粪球菌属(Coprococcus)，最终优化模型预测的准确率可达90.78％。

本发明预测浓香型白酒窖泥窖龄的一种实施例方法流程图如图1，包括：

步骤S1、窖泥细菌微生物群落的检测，在检测过程中，首先进行窖泥样本16S rRNA基因测序数据的收集，随后进行高通量测序数据的处理；

步骤S2、通过随机森林回归在OTU中筛选出建模重要变量；

步骤S3、将建模重要变量作为判别模型的变量进行预测模型的建立；

步骤S4、通过预测模型预测窖泥窖龄。

具体实施例如下：

A、样本的收集：将从酒厂采集回的窖泥样本进行年份标注并提取基因组进行16SrRNA测序；从NCBI、DDBJ、ENA和CNGB等数据库搜集浓香型白酒窖泥细菌16S rRNA扩增子测序数据，汇总样本信息并进行数据集的筛选。本次共收集到测序数据：1年窖泥样本13个、4年窖泥样本8个、6年窖泥样本75个、8年窖泥样本8个、10年窖泥样本10个、20年窖泥样本1个、30年窖泥样本15个、四十年窖泥样本20个、五十年窖泥样本72个、100年窖泥样本38个、300年窖泥样本8个、400年窖泥样本4个。将这些窖泥样本分为三个年龄段，分别为YG(1-8年)104个；AG(10-50年)118个；AD(100-400年)50个，共计272个样本；

B、样本16S rRNA扩增子数据处理：使用Vsearch程序通过将不同测序区间的数据与含有不同物种16S全长的数据库中的数据进行比对，然后通过比对结果将比对出相同物种或OTU的序列聚类，生成含有不同数据集样本的OTU表，然后将OTU中匹配到的16S全长序列的物种分类注释补充到OTU表中；

C、样本OTU的筛选：将步骤B得到的OTU表首先按样品数据测序量过滤，选择counts大于10000的样品；然后按OTU丰度过滤，选择相对丰度均值大于十万分之一的OTU；再将OTU表按照最小样本序列数进行抽平；最后按照OTU在所有样本中出现概率大于80％进行筛选，得到最终OTU表。

D、以7:3的比例将步骤C中得到的最终OTU表数据集划分为测试集和训练集；

E、在测试集上，采用随机森林判别算法，构建初步分组模型，得到每一个OTU对窖泥窖龄分组的贡献度，按照由高到低的顺序排序；

F、采用十折交叉验证方法，根据表2所示交叉验证结果，按照简约性原则选择重要程度前30的OTU作为筛选后的重要特征变量，将其作为建模特征进行优化模型的构建，应用到测试集中进行预测，得到优化后的准确率从之前的88.48％上升到了90.78％，如表3所示。验证集准确率表现如图3所示，横坐标为窖泥样本窖龄分组，纵坐标为对应的准确率，例如，一份AD窖泥样本经过模型预测，有60％被认定为AD窖泥样本，20％多被认定为AG窖泥样本，不足20％被认定为YG窖泥样本；一份YG窖泥样本经过模型预测，90％多被认定YG窖泥样本，其他不足10％被认定为AG以及AD窖泥样本。

经本发明方法筛选后，最有效的前30个建模特征OTU为表1所示。

表1随机森林筛选方法筛选出的前30个建模特征OTU

表2按照7：3划分测试集和训练集后，对训练集进行十折交叉验证的结果

表3测试集按照十折交叉验证筛选建模变量后准确率对比

综上所述，本发明通过预测模型实现了窖泥窖龄快速准确地预测。